We do not hold or access any user's data, and we do not suspend accounts unless a lawful authority requires an enforcement action.

Model Card · GLM-5.2 · 3BIT-REAP

ဆင်ဆာမဲ့ GLM API — token တစ်ခုလျှင် တန်ဖိုးအရှိဆုံး ရွေးချယ်မှု

Z.ai ၏ agentic GLM foundation ကို ငြင်းပယ်မှု အလွှာ မရှိဘဲ ကျွန်ုပ်တို့ ကိုယ်ပိုင် GPU ကလပ်စတာပေါ်တွင် ဝန်ဆောင်မှုပေးသည် — 262K context, tool calling, ပြီးတော့ ထို မျိုးရိုးတူ first-party ဈေးနှုန်း၏ တစ်ဝက်အောက်သာ ရှိသော blended ဈေးနှုန်း။

စက်တင်ဘာ 5, 2026 တွင် မွမ်းမံModel CardFoundation: GLM-5.2 (Z.ai)

TL;DR

GLM-5.2-3BIT-REAP သည် Shannon AI Gateway ပေါ်တွင် ကျွန်ုပ်တို့ default အနေဖြင့် အကြံပြုသော မော်ဒယ် ဖြစ်သည်။ ၎င်းသည် GLM မျိုးရိုးမှ parameter 744 billion ရှိသော sparse Mixture-of-Experts foundation တစ်ခုကို လည်ပတ်သည် — GLM-4.5 မှစ၍ agentic tool use အတွက် တိတိကျကျ လေ့ကျင့်ထားသည် — 3-bit weight များနှင့် REAP expert pruning ဖြင့် compress လုပ်ထားသဖြင့် fit ဝင်ပြီး မြန်ဆန်စွာ ရှိနေသည်။ 262,144-token context, output token 16,384, tool calling, ချိန်ညှိနိုင်သော reasoning_effort ပါသော reasoning နှင့် JSON Schema structured output ရရှိပြီး 1M token လျှင် $0.73 / $2.34 နှုန်းဖြင့် ရရှိနိုင်သည်။ ငြင်းပယ်မှု အလွှာနှင့် output filter မရှိပါ။ စာသားသက်သက်သာ — vision မရှိပါ။

"အစျေးအသက်သာဆုံး မော်ဒယ်" ဟူသော နှိုင်းယှဉ်ချက်အများစုသည် မရိုးသားပါ — အဘယ်ကြောင့်ဆိုသော် စျေးသက်သာသော option သည် များသောအားဖြင့် မော်ဒယ်ကြီးတစ်ခု၏ marketing ကို ဝတ်ဆင်ထားသော မော်ဒယ်သေးလေးတစ်ခု ဖြစ်နေတတ်သောကြောင့် ဖြစ်သည်။ ဤနေရာတွင် ထိုသို့ မဟုတ်ပါ။ GLM-5.2 သည် မည်သူမျှ ထုတ်ပြန်ခဲ့ဘူးသော open-weight foundation အကြီးမားဆုံးများထဲမှ တစ်ခု ဖြစ်ပြီး $0.73 in / $2.34 out ၌ ကျွန်ုပ်တို့ ကက်တလောက်၏ ကြမ်းပြင်ထက် တစ်ဆင့်တင်ရုံသာ ရှိနေစဉ် ထို ကြမ်းပြင်က ပုံမှန် ဝယ်ပေးလေ့ရှိသော foundation ထက် အဆများစွာ ကြီးမားသော foundation တစ်ခုကို ပါဆောင်နေသည်။ ထို ကွာဟချက် — မော်ဒယ်ကြီး၊ ကြမ်းပြင်နီးစပ်သော ဈေးနှုန်း — သည် ဤစာမျက်နှာ ဖန်တီးထားရသည့် အကြောင်းရင်း ဖြစ်သည်။

01GLM ဘယ်ကလာသလဲ — Tsinghua, blank infilling နှင့် agent ဘက်သို့ ပြင်းထန်စွာ ချိုးလှည့်ခြင်း

GLM သည် Llama မှ အမည်ပြောင်း ယူထားသည့် မော်ဒယ် မဟုတ်ပါ။ သုတေသနအဖွဲ့တစ်ခုတည်းက နှစ်ငါးနှစ်တစ်လျှောက် ဆက်တိုက် တီထွင်ခဲ့သော ကိုယ်ပိုင် pretraining objective ရှိသည့် မော်ဒယ် မျိုးရိုးအနည်းငယ်ထဲမှ တစ်ခု ဖြစ်သည်။ အမည်ကား General Language Model ကို ကိုယ်စားပြုပြီး အစပြု စာတမ်း — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — သည် BERT ၏ masked language modeling နှင့် GPT ၏ တင်းကျပ်သော left-to-right autoregression တို့၏ ဘေးတွင် တတိယ option တစ်ခုကို တင်ပြခဲ့သည်။ GLM သည် ဆက်စပ်နေသော span များကို blank ဖြုတ်ပြီး ရောနှောထားသော အစီအစဉ်တစ်ခုဖြင့် autoregressive စွာ ပြန်လည် ထုတ်လုပ်သည် — dimension နှစ်ခု ပါသော positional encoding များက token တစ်ခု၏ ပျက်စီးသွားသော document ထဲတွင် ရှိသည့်နေရာနှင့် ဖြည့်စွက်နေသော span ထဲတွင် ရှိသည့်နေရာ နှစ်ခုစလုံးကို ခြေရာခံသည် — နားလည်ခြင်းနှင့် ထုတ်လုပ်ခြင်း နှစ်ခုစလုံးကို တစ်ညီတစ်ညာ ကိုင်တွယ်နိုင်သော ဗိသုကာလက်ရာတစ်ခု ဖြစ်သည်။

၎င်း၏နောက်ကွယ်ရှိ အဖွဲ့မှာ Tsinghua University ၏ Knowledge Engineering Group ဖြစ်ပြီး ယခု Z.ai (ယခင် Zhipu AI) ဟု ခေါ်သော company အဖြစ် ကွဲထွက်ခဲ့သည်။ ၎င်း၏ ပထမဆုံး headline ရလဒ်မှာ 2022 ခုနှစ် အောက်တိုဘာလ ထုတ်ပြန်ခဲ့သော GLM-130B ဖြစ်ပြီး — parameter 130 billion ရှိသော အင်္ဂလိပ်/တရုတ် bilingual dense model တစ်ခုဖြစ်ကာ ထုတ်ပြန်ချိန်၌ weight များနှင့် code ကို အများသို့ ထုတ်ပြန်ခဲ့သည်။ open release သည် ထိုအချိန်မှစ၍ ၎င်းတို့၏ house style ဖြစ်လာခဲ့သည်။

MoE ခေတ်နှင့် agent ဘက်သို့ ချိုးလှည့်ခြင်း

ဇူလိုင် 28, 2025 — GLM-4.5

တိတိကျကျ agent-native foundation တစ်ခုအဖြစ် တည်ဆောက်ခဲ့သော ပထမဆုံး flagship — parameter စုစုပေါင်း 355B, token တစ်ခုလျှင် active 32B, shared expert များနှင့် Multi-Token Prediction ပါသော sparse MoE, 128K context နှင့် mode နှစ်ခု — reasoning နှင့် tool use အတွက် "thinking" ပြီး မြန်ဆန်သော non-thinking mode။ pretraining token ခန့်မှန်း 15T ခန့်ပြီးနောက် code, reasoning နှင့် agent trajectory များပေါ်တွင် post-training လုပ်ကာ RL ကို အပေါ်ဆင့်ထပ်ထည့်ခဲ့သည်။

စက်တင်ဘာ 30, 2025 — GLM-4.6

window ရှည်လာခြင်း (128K မှ 200K) ဖြစ်ခြင်း, လက်တွေ့ coding ပိုကောင်းလာခြင်းနှင့် session ရှည်များတွင် tool call ပျက်စီးမှု နည်းလာခြင်း။ LiveCodeBench v6 သည် GLM-4.5 ၏ 63.3 မှ 82.8 သို့ တက်လာခဲ့သည် — point release တစ်ခုအတွက် ထူးဆန်းသော ခုန်တက်မှုဖြစ်ပြီး lab ၏ အာရုံစိုက်မှု ဘယ်ဘက်ကို ရှိနေသည်ဆိုသည့် ရှင်းလင်းသော လက္ခဏာ ဖြစ်သည်။

ဖေဖော်ဝါရီ 11, 2026 — GLM-5

From Vibe Coding to Agentic Engineering ဟူသော tagline အောက်တွင် scale-up။ active ခန့်မှန်း 40B ပါသော parameter စုစုပေါင်း 744B, top-8 routing ပါသော expert 256 (sparsity ခန့် 5.9%), ရှည်လျားသော context အတွက် DeepSeek Sparse Attention နှင့် 23T မှ 28.5T token အထိ ကြီးထွားလာသော corpus။ post-training က ရှည်လျားသော horizon ရှိသော agent အပြုအမူ — planning, repository navigation နှင့် ၎င်း၏ကိုယ်ပိုင် အလုပ်ကို ထပ်ခါထပ်ခါ ပြင်ဆင်ခြင်း — ကို ဦးတည်သော scale ကြီးသော asynchronous RL ဆီသို့ ရွှေ့ပြောင်းခဲ့သည်။

ဧပြီ–ဇွန် 2026 — GLM-5.1, ပြီးမှ GLM-5.2

GLM-5.1 ကို ဧပြီလတွင် open weights အဖြစ် ထုတ်ပြန်ခဲ့သည်။ GLM-5.2 က 744B / active ~40B layout တူတူပေါ်တွင် 2026 ဇွန်လတွင် ဆက်လက်ထုတ်ပြန်ခဲ့ပြီး window ပိုရှည်စွာ သုံးနိုင်ခြင်းနှင့် agentic post-training နောက်ထပ် အသုံးအနှုန်းတစ်ခု ပါဝင်လာသည် — ဤ model card ၏ ဆွေးနွေးမည့် foundation ပင် ဖြစ်သည်။

release တစ်ခုချင်းစီထက် ဆက်တိုက် လိုက်လာသော ဦးတည်ချက်က ပိုအရေးကြီးသည်။ GLM-4.5 မှစ၍ version တိုင်းကို tool call ဒါဇင်များစွာတစ်လျှောက် coherent ဆက်ရှိနေရန် အတွက် တစ်ခုတည်းသော ရည်ရွယ်ချက်ဖြင့် optimize လုပ်ခဲ့သည်။ ၎င်းသည် single-turn benchmark အမှတ်များကို အမြင့်ဆုံးတင်ခြင်းနှင့် မတူသော ဦးတည်ချက်တစ်ခု ဖြစ်ပြီး tool argument ပုံပျက်မှု နည်းလာခြင်း၊ plan ရှည်တစ်ခုတွင် drift နည်းလာခြင်းနှင့် agent framework များကို ကုန်ကျစရိတ်ကြီးစေသော "turn 14 တွင် task ကို ယုံကြည်စွာ ပြန်စ" ဆိုသော အပြုအမူ နည်းလာခြင်းအဖြစ် ပေါ်လွင်လာသည်။

02GLM-5.2 ဆိုသည်မှာ အမှန်တကယ် ဘာလဲ၊ ဘာကို တိုင်းတာထားသလဲ

744B

Parameter စုစုပေါင်း

~40B

token တစ်ခုလျှင် Active

256

Expert (top-8)

Open

ထုတ်ပြန်ထားသော Weight

Z.ai သည် GLM-5.2 အတွက် benchmark ကိန်းဂဏန်းများကို GLM-5 repository တွင် ထုတ်ဝေထားသည်။ trivia သတိရမှုထက် တကယ့် agentic အလုပ်ပေါ်တွင် သက်ရောက်သော ကိန်းနှစ်ခု ရှိသည် —

Claude Opus 4.885.0

GLM-5.281.0

Terminal-Bench 2.1 — ရှည်လျားသော horizon ရှိသော command-line agent task များ။ Z.ai ဖော်ပြချက်။

GLM-5.262.1

GPT-5.558.6

SWE-bench Pro — repository issue များကို လက်တွေ့ ဖြေရှင်းခြင်း။ Z.ai ဖော်ပြချက်; GLM-5.1 သည် test တူတူတွင် 58.4 ရရှိခဲ့သည်။

ထိုကိန်းများသည် lab ၏ ကိန်းများဖြစ်ပြီး ကျွန်ုပ်တို့၏ ကိန်းများ မဟုတ်ပါ၊ ၎င်းတို့သည် compress မလုပ်ရသေးသော foundation ကို ဖော်ပြထားခြင်း ဖြစ်သည်။ ၎င်းတို့သည် သင် ကိုင်တွယ်နေသော မော်ဒယ် အတန်းအစားကို တည်ဆောက်ပေးသည်၊ warranty တစ်ခု မဟုတ်ပါ။

ကိန်းဂဏန်းတစ်ခုတည်းသည် benchmark တစ်ခုထက် တန်ဖိုးရှိသည် — အဘယ်ကြောင့်ဆိုသော် မော်ဒယ်ကို ချီးမွမ်းရန် incentive မရှိသော evaluator တစ်ခုထံမှ ဖြစ်သောကြောင့်ဖြစ်သည်။ 2026 ဇူလိုင်လတွင် US National Institute of Standards and Technology ၏ Center for AI Standards and Innovation သည် GLM-5.2 ကို အကဲဖြတ်ပြီး ၎င်းကို ထုတ်ပြန်ချိန်၌ ရရှိနိုင်သော open-weight AI model များအနက် စွမ်းရည်အရှိဆုံး ဖြစ်နိုင်ချေရှိသည် ဟု ကောက်ချက်ချခဲ့ပြီး၊ GPT-5.2 နှင့် နှိုင်းယှဉ်နိုင်သော overall capability နှင့် Claude Opus 4.6 နှင့် နှိုင်းယှဉ်နိုင်သော cyber capability ရှိသည်ဟု ဖော်ပြခဲ့သည်။ တူညီသော assessment က GLM-5.2 သည် US reference model များထက် sensitive request များကို ပိတ်ဆို့မှု နည်းကြောင်း၊ open weights ထဲတွင် ထည့်သွင်းထားသော safeguard များသည် weight ကို self-host လုပ်လိုက်သည်နှင့် ရှောင်ခွင်နိုင်ကြောင်း သတိပြုခဲ့သည်။ Section 05 တွင် ထိုအချက်ကို ပြန်ဆွေးနွေးထားသည်။

03"3BIT-REAP" ဆိုသည်မှာ ဘာကို ဆိုလိုသလဲ၊ သင့်ကို ဘာဖိုးပေးစေသလဲ

REAP — expert များကို ရောနှောမည့်အစား prune ပြုလုပ်ခြင်း

parameter 744B ရှိသော MoE မော်ဒယ်တစ်ခုတွင် layer တစ်ခုစီလျှင် expert 256 ရှိပြီး ၎င်းထဲက 8 ခုသာ token တစ်ခုစီပေါ်တွင် fire လုပ်သည်။ router သည် အလုပ်ကို တစ်ပြေးညီ ဖြန့်ဝေမပေးပါ — expert အချို့ကို အမြဲတမ်း hit လုပ်ပြီး ကျန်ရှားပါးစွာသာ hit လုပ်ကာ hit လုပ်ချိန်၌လည်း အနည်းငယ်သာ ပါဝင်ကြောင်းရင်း ဖြစ်သည်။ Cerebras Research မှ REAP (Router-weighted Expert Activation Pruning) — ICLR 2026 တွင် လက်ခံခဲ့သည် — သည် ထိုအချက်ကို အသုံးချသည်၊ expert တစ်ခုစီကို router က ၎င်းကို မည်မျှ ပြင်းပြင်းထန်ထန်၊ မကြာခဏ gate လုပ်ခဲ့သလဲ နှင့် ၎င်း၏ output ပါဝင်မှု ပမာဏ ကို ပေါင်းစပ်သော saliency criterion တစ်ခုဖြင့် အမှတ်ပေးပြီး ထို့နောက် အမှတ်နည်းသော expert များကို အမြဲတမ်း ဖယ်ရှားသည်။

စိတ်ဝင်စားစရာအချက်မှာ REAP အောင်နိုင်သည့် နှိုင်းယှဉ်ချက် ဖြစ်သည်။ expert တစ်ခုကို ဖယ်ရှားရန် ထင်ရှားသော အခြားရွေးချယ်စရာမှာ ကျန်ရှိနေသော expert တစ်ခုထဲသို့ merge လုပ်ခြင်း ဖြစ်ပြီး ၎င်းသည် ပိုလုံခြုံဟန် ရှိသည်။ parameter 20B မှ 1T အထိ MoE မော်ဒယ်များတစ်လျှောက် ရှာဖွေတွေ့ရှိချက်မှာ merge လုပ်ခြင်းသည် ထုတ်လုပ်ရေးအလုပ်အတွက် ပိုဆိုးသည် ဟု ဆိုကာ pruning ကမူ ထူးထူးဆန်းဆန်း ကောင်းစွာ ထိန်းထားနိုင်သည် — expert ထက်ဝက်ကို ဖယ်ရှားပြီးနောက်တောင် code generation နှင့် tool-calling benchmark များတွင် near-lossless ဖြစ်ခြင်း ဖြစ်ပြီး Qwen3-Coder-480B နှင့် Kimi-K2 အပါအဝင် foundation များတွင် တွေ့ရသည်။ code နှင့် tool calling ပျက်စီးမှု မရှိဘဲ ရပ်တည်ခြင်းသည် agentic engineering ဖြစ်ခြင်းသာ ရှိနေခြင်းရှိသော မော်ဒယ်တစ်ခုအတွက် အတိအကျ လိုအပ်သည့်အချက် ဖြစ်သည်။

3-bit weight နှင့် ရိုးသားသော ကုန်သွယ်မှု

pruning ၏ အပေါ်ဆင့်တွင် ကျန်ရှိနေသော weight များကို 3 bit ၌ သိမ်းဆည်းသည် — ကျွန်ုပ်တို့ ကက်တလောက်ရှိ အခြားနေရာများတွင် W4A16-AUTOROUND-REAP နှင့် W8A16 tier များထက် ပိုပြင်းထန်ပြီး foundation ကြီးဆုံးများအတွက်သာ ချန်ထားထားသည် — parameter quarter-trillion သုံးထပ်ရှိသော မော်ဒယ်တစ်ခုကို serving node တစ်ခုပေါ်တင်ပြီး token များကို သုံးစွဲနိုင်သည့် နှုန်းဖြင့် ဆက်လက် စီးဆင်းစေရန် အခြားနည်းလမ်း မရှိသောနေရာ ဖြစ်သည်။

compression သည် အခမဲ့ မဟုတ်ပါ။ မှန်ကန်သော mental model — pruning နှင့် quantization သည် long tail ကို အရင်ဆုံး ဆုတ်ယုတ်စေသည်။ frequently exercised behavior များ — instruction following, code ဖွဲ့စည်းပုံ, tool-call formatting, multi-step planning — ကောင်းစွာ ရပ်တည်နိုင်ပြီး ၎င်းသည် REAP ရလဒ်များ ပြသနေသောအရာ အတိအကျ ဖြစ်သည်။ compress မလုပ်ရသေးသော GLM-5.2 ကို ယှဉ်ကြည့်လျှင် ရှားပါးသော အချက်အလက် သတိရမှု, ရှားပါးသော ဘာသာစကားများနှင့် ကျဉ်းမြောင်းသော domain trivia များတွင် ကွာဟချက်ကို မျှော်လင့်ထားသင့်သည်။ သင့် workload သည် "ရှားပါးအချက်တစ်ခုကို တိကျစွာ သိရန်" ဆိုလျှင် fidelity ပိုမြင့်သော tier တစ်ခုအတွက် ဈေးပေးပါ။ "tool call လေးဆယ်တစ်လျှောက် လမ်းကြောင်းမလွှဲဘဲ plan တစ်ခု run ရန်" ဆိုလျှင် ဤ tier ကား ထိုနည်းလမ်းအတွက် ရည်ရွယ်ထားသော tier ပင် ဖြစ်သည်။

04တန်ဖိုးရှိသည့် အချက် — စျေးသက်သာသော ဆင်ဆာမဲ့ LLM API တစ်ခု လည်ပတ်ရန် အမှန်တကယ် ကုန်ကျမှု

$0.73

1M input လျှင်

$2.34

1M output လျှင်

262K

Context window

16K

Output အများဆုံး

GLM-5.2 အတွက် Z.ai ကိုယ်တိုင် ထုတ်ဝေထားသော API list price မှာ 1M input token လျှင် $1.40၊ 1M output လျှင် $4.40 ဖြစ်သည်။ foundation တူတူပေါ်ရှိ ကျွန်ုပ်တို့ ဈေးနှုန်းမှာ $0.73 / $2.34 — input ၌ ခန့်မှန်း 48% နည်း၊ output ၌ 47% နည်း ဖြစ်သည်။ ထို လျှော့စျေးသည် compression က ဝယ်ပေးသောအရာ ဖြစ်ပြီး ဈေးနှုန်းမည်မျှပင် ပေးစေကာမူ first-party ဝယ်၍ မရသော ဒုတိယအရာတစ်ခုနှင့်လည်း လာသည် — ငြင်းပယ်မှု အလွှာ မရှိခြင်း ပင် ဖြစ်သည်။

ကျွန်ုပ်တို့ ကက်တလောက်တွင်းမှာဆို blended cost ကသာ အရေးကြီးသော ကိန်းဂဏန်း ဖြစ်သည်။ tool-calling agent တစ်ခုလက်တွေ့တွင် ဖြစ်လေ့ရှိသော 3:1 input-to-output အချိုးဖြင့် ကြည့်ကြပါစို့ — context နှင့် tool ရလဒ်များစွာ ဝင်လာပြီး ထွက်လာသည့် token မှာ နှိုင်းယှဉ်ကြည့်လျှင် နည်းသည်။

Model	In / 1M	Out / 1M	Blended 3:1	Vision
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	မရှိ
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	မရှိ
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	ရှိ
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	မရှိ
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	ရှိ
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	ရှိ

မော်ဒယ် ခြောက်ခုသည် $0.50 / $2.00 ကြမ်းပြင်တွင် ရှိသည် — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro နှင့် Hy3 — blended rate $0.875 ဖြင့်။ GLM-5.2 သည် ထို ကြမ်းပြင်ထက် 29% ပိုမြင့်ပြီး agentic အပြုအမူတွင် ဆက်တိုက် ရင်းနှီးမြှုပ်နှံမှု ရှိနေသော 744B အတန်းအစား foundation တစ်ခုကို ဝယ်ပေးသည်။ ၎င်းထက် ပိုမြင့်သော ဈေးနှုန်းရှိသမျှသည် blended အနေဖြင့် အနည်းဆုံး 23% ပို ကုန်ကျပြီး Kimi-K3 က 6.8× ပို ကုန်ကျသည်။ ဤသည်ကား တန်ဖိုးရှိသည့်အချက်ကို row တစ်ကြောင်းတည်းတွင် ဖော်ပြထားခြင်းပင် — ကက်တလောက်ထဲရှိ top-tier agentic foundation တစ်ခုကို ဝယ်ယူရန် စျေးအသက်သာဆုံးနေရာ ဖြစ်သည်။

အလုပ်အဖြစ် ပြောင်းလဲကြည့်ခြင်း

context တစ်ခုလုံး တစ်ကြိမ် ဖြည့်ခြင်း — input token 262,144 ဖြင့်: $0.19။ repository ကြီးတစ်ခုလုံးကို window ထဲသို့ cent 20 အောက်ဖြင့် ဖတ်ခြင်း။
output အရှည်ဆုံး completion တစ်ခု — output token 16,384 ဖြင့်: $0.038။
agent turn တစ်ခု — in 20K, out 2K: $0.019။ turn တူတူသည် Kimi-K3 ပေါ်တွင် $0.115၊ DeepSeek-V4-Pro ပေါ်တွင် $0.047 ကုန်ကျသည်။
agent turn တစ်ရာ: $1.93၊ ကက်တလောက်ရှိ ဈေးအကြီးဆုံး မော်ဒယ်ပေါ်တွင် $11.48 နှင့် နှိုင်းယှဉ်လျှင်။

Agentic workload များသည် input-heavy ဖြစ်ပြီး GLM ၏ အားသာချက်သည် ထိုနေရာတွင်ပင် အကြီးဆုံး ဖြစ်သည် — ၎င်း၏ input ဈေးနှုန်းသည် Kimi-K3 ထက် 5.2× နိမ့်ပြီး DeepSeek-V4-Pro ထက် 2.7× နိမ့်သည်။ သင့် agent က turn တိုင်းတွင် ကြီးထွားနေသော conversation တစ်ခုကို ပြန်ပို့နေလျှင် — agent အားလုံးနီးပါးက ထိုသို့ ပြုလုပ်ကြသည် — ထို multiplier သည် သင့် invoice ပေါ်တွင် အဆုံးသတ် ရောက်ရှိလာမည့်အရာ ဖြစ်သည်။

05ဤ endpoint ပေါ်တွင် "ဆင်ဆာမဲ့" ဆိုသည်မှာ ဘာကို ဆိုလိုသလဲ

တိကျစွာ ပြောရလျှင် အချက်နှစ်ချက် — မော်ဒယ်က မည်သည့် request ကို ကြည့်ခွင့်ရှိသည် ဆုံးဖြတ်သော classifier မရှိ၊ သင့် prompt ရောက်မလာမီ ပြန်ရေးသော policy model မရှိသော ငြင်းပယ်မှု အလွှာ မရှိခြင်း — နှင့် မော်ဒယ်ထုတ်လုပ်သော token များသည် redact မလုပ်၊ swap မလုပ်ဘဲ သင် ရရှိသော token များပင် ဖြစ်ကြောင်း ဆိုလိုသော output filtering မရှိခြင်း ဖြစ်သည်။

ဤသည်မှာ "relaxed" သို့မဟုတ် "developer" mode ကြော်ငြာသော commercial API တစ်ခုနှင့် မတူသော အဆိုတစ်ခု ဖြစ်သည်။ ၎င်းတို့သည် vendor ၏ policy stack ကို ဖြတ်သန်းစေဆဲ ဖြစ်ပြီး ပြောင်းလဲသောအရာမှာ threshold ဖြစ်ကာ gate ရှိမရှိ မဟုတ်ပါ။ ဤနေရာတွင် ချိန်ညှိစရာ gate မရှိပါ — မော်ဒယ်သည် ကျွန်ုပ်တို့ ကိုယ်ပိုင် GPU ကလပ်စတာပေါ်တွင် လည်ပတ်ပြီး ၎င်း၏ အပြုအမူသည် foundation ၏ အပြုအမူပင် ဖြစ်သည်။ Section 02 ရှိ NIST CAISI ရလဒ်ကို သတိပေးချက်တစ်ခုအစား နည်းပညာဆိုင်ရာ ဖော်ပြချက်တစ်ခုအဖြစ် ဖတ်ကြည့်ပါ — ၎င်းက ထုတ်ကုန်ကို ရှင်းပြသည် — alignment ၎င်း၏ weight များထဲတွင် ရှိနေသော မော်ဒယ်တစ်ခုကို ပြင်ပ policy အလွှာ မပါဘဲ ဝန်ဆောင်မှုပေးလျှင် ၎င်း၏ weight များအတိုင်း ကျင့်ကြံသည်။

ဤအချက်သည် agent များအတွက် အဘယ်ကြောင့် အရေးကြီးသလဲ

ငြင်းပယ်မှုများကို ပုံမှန်အားဖြင့် content ဆိုင်ရာ မေးခွန်းတစ်ခုအဖြစ် ဆွေးနွေးကြသည်။ agentic အလုပ်တွင်မူ ၎င်းတို့သည် အများစုမှာ ယုံကြည်စိတ်ချရမှု ဆိုင်ရာ မေးခွန်းတစ်ခု ဖြစ်သည်။ turn 40 ပါသော run တစ်ခု၏ turn 31 တွင် ငြင်းပယ်မှုတစ်ခုသည် သင် ဖတ်ပြီး ကျော်သွားနိုင်သော ယဉ်ကျေးသော ငြင်းဆန်မှုတစ်ခု မဟုတ်ပါ — ၎င်းသည် ပုံပျက်နေသော step တစ်ခု၊ ဆက်လက် မည်သို့ လုပ်ရမည် မသိသော orchestrator တစ်ခု၊ ပျက်စီးသွားသော plan တစ်ခုနှင့် ဘာမျှ ပြသစရာ မရှိဘဲ သုံးစွဲထားသော turn 30 ပင် ဖြစ်သည်။ လုံခြုံရေး သုတေသန, malware ခွဲခြမ်းစိတ်ဖြာမှု, penetration testing, red-teaming, adult fiction, ဆေးဘက်ဆိုင်ရာနှင့် ဥပဒေရေးရာ ရေးသားမှု၊ safety training အတွက် dataset ထုတ်လုပ်ခြင်း အားလုံးသည် ဤအရာနှင့် အမြဲတမ်း ရင်ဆိုင်ကြရပြီး ၎င်း failure သည် နောက်ကျမှ ရောက်လာသောကြောင့်ပင် ကုန်ကျစရိတ်ကြီးသည်။

ဆန့်ကျင်ဘက်အနေနှင့် policy အလွှာသည် ယခု သင့်ပိုင် ဖြစ်လာသည်။ Shannon AI Gateway ကို အသုံးပြုခြင်းသည် ကျွန်ုပ်တို့၏ responsible use policy အောက်တွင် ရှိနေသည်; vendor ၏ ဆုံးဖြတ်ချက်ကို ကွင်းဆက်မှ ဖယ်ရှားခြင်းသည် သင့်ကိုယ်ပိုင် ဆုံးဖြတ်ချက်ကို ထောက်ပံ့ရန် ဆိုလိုသည်။

06endpoint က သင့်ကို အမှန်တကယ် ဘာပေးသလဲ

Capability	GLM-5.2 · 3BIT-REAP
Model id	GLM-5.2-3BIT-REAP
Context window	262,144 token
request တစ်ခုလျှင် Max output	16,384 token
Streaming	ရှိသည်
Tool calling	ရှိသည်
Reasoning / `reasoning_effort`	ရှိသည်
JSON Schema (`json_schema`)	ရှိသည်
`response_format`	ရှိသည်
Vision / ရုပ်ပုံ input	မရှိ — စာသားသက်သက်သာ
ငြင်းပယ်မှု အလွှာ / output filtering	မရှိ

vision row ကို တည်ဆောက်မီ သေချာစွာ ဖတ်ပါ။ GLM-5.2 သည် ကျွန်ုပ်တို့ gateway ပေါ်တွင် စာသားသက်သက်သာ ဖြစ်သည်။ ရုပ်ပုံ input လိုအပ်လျှင် ကက်တလောက်တွင် vision ရနိုင်သော option ငါးခု ရှိသည် — $0.50 / $2.00 ကြမ်းပြင်ရှိ MiniMax-M3 နှင့် MiMo-V2.5, $0.78 / $3.67 ရှိ Kimi-K2.6, $1.42 / $6.07 ရှိ inkling, $3.83 / $19.12 ရှိ Kimi-K3။ ရုပ်ပုံနားလည်မှုကို MiniMax-M3 ဆီသို့ route လုပ်ပြီး ကျန်အားလုံးကို GLM-5.2 ဆီသို့ route လုပ်ခြင်းသည် model string တစ်ခုထက် ဘာမှ ပိုမကုန်ကျဘဲ သင့်တင့်သော ပုံစံတစ်ခု ဖြစ်သည်။

dialect သုံးမျိုး၊ မော်ဒယ်တစ်ခုတည်း

မော်ဒယ်တစ်ခုတည်းကို request format သုံးမျိုးမှတဆင့် ရရှိနိုင်ပြီး streaming ရှိသည် — /v1/chat/completions (OpenAI dialect), /v1/messages (Anthropic dialect) နှင့် /v1/responses။ မော်ဒယ်နှင့်ပတ်သက်၍ ၎င်းတို့ကြား ဘာမှ မပြောင်းလဲပါ — သင့် SDK ပြောနေပြီးသားကို ရွေးလိုက်ပါ၊ များသောအားဖြင့် base-URL တစ်ကြောင်း ပြောင်းလိုက်ရုံနှင့် run နိုင်ပါပြီ။

# OpenAI dialect — point your existing client at the gateway
from openai import OpenAI

client = OpenAI(
    base_url="https://api.shannon-ai.com/v1",
    api_key="sk-...",
)

resp = client.chat.completions.create(
    model="GLM-5.2-3BIT-REAP",
    messages=[{"role": "user", "content": "..."}],
    tools=tools,                 # tool calling supported
    reasoning_effort="medium", # low | medium | high
    stream=True,
)

dialect သုံးမျိုးလုံး၏ request နှင့် response schema အပြည့်အစုံ, tool-calling format, streaming event ပုံစံနှင့် interactive playground တစ်ခုကို Shannon AI API documentation တွင် ရှာဖွေနိုင်သည်။

07GLM-5.2 ကို ရွေးချယ်ရမည့်အချိန် — ရွေးချယ်မည် မဟုတ်သည့်အချိန်

ဤအချိန်များတွင် ရွေးချယ်ပါ

agent များ run နေလျှင်။ tool-calling loop ရှည်များသည် ဤမျိုးရိုးကို တည်ဆောက်ခဲ့ပြီး ထပ်ခါထပ်ခါ post-train လုပ်ခဲ့သောအရာ ဖြစ်ပြီး input ဈေးနှုန်းက turn တိုင်းတွင် ကြီးထွားနေသော conversation တစ်ခုကို ပြန်ပို့ရန် ဈေးအတတ်နိုင်ဆုံး ဖြစ်စေသည်။
codebase ကြီးတစ်ခုတစ်လျှောက် အလုပ်လုပ်နေလျှင်။ context 262K, ယုံကြည်ရသော tool-call formatting နှင့် window တစ်ခုလုံး ဖတ်ရန် $0.19။
Volume သည် သင့် ကန့်သတ်ချက် ဖြစ်လျှင်။ Classification, extraction, synthetic data generation, bulk rewriting — call တစ်ခုချင်းစီ ကုန်ကျစရိတ်ကို ကိန်းကြီးတစ်ခုနှင့် မြှောက်ပြီး project ဟုတ်၊ မဟုတ်ကို ဆုံးဖြတ်ပေးသော မည်သည့်အလုပ်မဆို။
ငြင်းပယ်မှုများက သင့် pipeline ကို ချိုးဖျက်နေလျှင်။ လုံခြုံရေး သုတေသန, adversarial testing, ဆင်ဆာမဲ့ fiction, sensitive ရေးသားမှု — ထို failure mode ကို ဤနေရာတွင် တွေ့ရမည် မဟုတ်ပါ။

ဤအချိန်များတွင် အခြားတစ်ခုကို ရွေးချယ်ပါ

vision လိုအပ်လျှင်။ စာသားသက်သက်သာ ဖြစ်သည်။ အပေါ်ရှိ vision ရနိုင်သော option များကို ကြည့်ပါ။
အနက်ရှိုင်းဆုံး single-turn reasoning လိုအပ်လျှင်။ ခက်ခဲဆုံး one-shot analytical ပြဿနာများအတွက် DeepSeek-V4-Pro-0813 · 3BIT-REAP သည် blended cost ၏ 2.2× ၌ ပိုကြီးသော instrument တစ်ခု ဖြစ်သည် — ceiling ကသာ ကန့်သတ်ချက်ဖြစ်သော call များတွင် ၎င်းသည် မှန်ကန်သော ကုန်သွယ်မှု ဖြစ်သည်။
ရှားပါးအသိပညာပေါ်တွင် fidelity အမြင့်ဆုံး လိုအပ်လျှင်။ W8A16 tier — MiMo-V2.5-Pro နှင့် Hy3 — သည် ပိုနည်းစွာ compress လုပ်ထားပြီး foundation သေးငယ်သော $0.50 / $2.00 ကြမ်းပြင်၌ ရှိနေသည်။

ကက်တလောက်တစ်လျှောက် နှိုင်းယှဉ်နေပါသလား။ ဆင်ဆာမဲ့ မော်ဒယ် တစ်ဆယ့်နှစ်ခုစလုံးသည် 262,144-token context, output token 16,384 ကန့်သတ်ချက်နှင့် API dialect သုံးမျိုးကို မျှဝေထားသောကြောင့် ပြောင်းလဲခြင်းသည် line တစ်ကြောင်းသာ ပြောင်းရသည်။ Shannon AI Research တွင် model card အားလုံးကို ရှာဖွေကြည့်ပါ၊ သို့မဟုတ် ဈေးအလေးဆုံး နှိုင်းယှဉ်ချက်ဖြင့် စတင်ပါ — ဆင်ဆာမဲ့ DeepSeek-V4-Pro model card။

ဒီဇိုင်းအရ ပွင့်လင်းသည်

ဤစာမျက်နှာရှိ foundation ကိန်းဂဏန်းတိုင်းကို ကျွန်ုပ်တို့မှ လွဲ၍ အခြားသူက ထုတ်ဝေထားသည်။ ဈေးနှုန်းနှင့် capability ကိန်းဂဏန်းများသည် ကျွန်ုပ်တို့ ကိုယ်ပိုင် live catalog value များဖြစ်ပြီး သင့်ကိုယ်ပိုင် key ဖြင့် /v1/models ပေါ်တွင် အတည်ပြုနိုင်သည်။ primary source များကို ကိုယ်တိုင် စစ်ဆေးပါ။

Z.ai — GLM-5 repository GLM: Pretraining with Autoregressive Blank Infilling (ACL 2022) GLM-130B: An Open Bilingual Pre-trained Model REAP: Why Pruning Prevails for One-Shot MoE Compression (ICLR 2026) NIST CAISI — Assessment of Z.ai's GLM-5.2

GLM-5.2 benchmark ကိန်းဂဏန်းများ (Terminal-Bench 2.1, SWE-bench Pro) သည် compress မလုပ်ရသေးသော foundation အတွက် Z.ai ဖော်ပြချက်များ ဖြစ်ပြီး သီးခြား ပြန်လည် အတည်ပြုမှု စောင့်ဆိုင်းဆဲ ဖြစ်သည်။ Claude Opus 4.8 နှင့် GPT-5.5 ကိန်းများကို ကိုးကားရန်အတွက်သာ ဖော်ပြထားသည်။ First-party GLM-5.2 API list pricing ကို Z.ai မှ 2026 စက်တင်ဘာလတွင် ထုတ်ဝေထားသည့်အတိုင်း ဖော်ပြထားသည်။

08မေးလေ့ရှိသော မေးခွန်းများ

Shannon AI ပေါ်ရှိ ဆင်ဆာမဲ့ GLM API ဆိုသည်မှာ ဘာလဲ။

Shannon AI Gateway ပေါ်ရှိ model id GLM-5.2-3BIT-REAP ပင် ဖြစ်သည် — Z.ai ၏ GLM-5.2 agentic foundation ကို compress လုပ်ထားသော build တစ်ခု ဖြစ်ပြီး၊ ကျွန်ုပ်တို့ ကိုယ်ပိုင် GPU ကလပ်စတာပေါ်တွင် ငြင်းပယ်မှု အလွှာ မရှိ၊ output filtering မရှိဘဲ ဝန်ဆောင်မှုပေးသည်။ 1M input token လျှင် $0.73၊ 1M output token လျှင် $2.34 ကျသင့်ပြီး 262,144-token context window ပါဝင်ကာ /v1/chat/completions, /v1/messages နှင့် /v1/responses တွင် ရရှိနိုင်သည်။

GLM 5.2 ဆင်ဆာမဲ့သည် ကက်တလောက်ရှိ အခြားကြီးမားသော မော်ဒယ်များထက် အဘယ်ကြောင့် စျေးသက်သာသလဲ။

compress လုပ်ထားသည့်ပုံစံကြောင့် ဖြစ်သည်။ 3BIT-REAP သည် 3-bit weight များကို Mixture-of-Experts မော်ဒယ်များအတွက် expert-pruning နည်းလမ်း REAP နှင့် ပေါင်းစပ်ထားပြီး၊ quantize မလုပ်မီ ရှားပါးစွာ route လုပ်သော expert များကို ဖယ်ရှားသည်။ token တစ်ခုလျှင် active parameter ~40B ခန့်ရှိသော sparse MoE foundation တစ်ခုကို ဤနည်းဖြင့် prune ပြီး quantize လုပ်လိုက်လျှင် အရည်အသွေးတူညီသော dense မော်ဒယ်တစ်ခုထက် memory နှင့် token တစ်ခုလျှင် GPU-second များစွာ ပိုနည်းစေပြီး ဈေးနှုန်းကလည်း ထိုအချက်ကို ထင်ဟပ်နေသည်။

ငြင်းပယ်မှု မရှိသော GLM ဆိုသည်မှာ မော်ဒယ်တွင် guardrail လုံးဝ မရှိဟု ဆိုလိုသလား။

Shannon က ဘာမှ ထပ်ထည့်မထားဟု ဆိုလိုသည်။ မော်ဒယ်၏ ရှေ့တွင် ငြင်းပယ်မှု classifier မရှိပြီး ၎င်းမှ ထွက်လာသော token များပေါ်တွင် filter မရှိပါ။ foundation သည် ၎င်း၏ training က ပေးခဲ့သော သဘောထားများကို ဆက်လက် ထိန်းထားသော်လည်း ပြင်ပမှ မည်သည့်အရာမျှ ထိုအရာများကို override မလုပ်ပါ။ policy အလွှာကို သင်ကိုယ်တိုင် ပိုင်ဆိုင်ပြီး Shannon AI Responsible Use Policy အောက်တွင် အသုံးပြုရမည် ဖြစ်သည်။

GLM-5.2 3BIT-REAP သည် vision သို့မဟုတ် ရုပ်ပုံ input ကို ထောက်ပံ့သလား။

မထောက်ပံ့ပါ။ ဤမော်ဒယ်သည် စာသားသက်သက်သာ ဖြစ်သည်။ ဆင်ဆာမဲ့ endpoint တစ်ခုတွင် ရုပ်ပုံ input လိုအပ်လျှင် MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 သို့မဟုတ် inkling ကဲ့သို့ ကက်တလောက်ရှိ vision ရနိုင်သော မော်ဒယ်များထဲမှ တစ်ခုကို သုံးပါ။ GLM-5.2 သည် json_schema နှင့် response_format နှစ်ခုစလုံးအပါအဝင် structured output နှင့် tool calling ကို ထောက်ပံ့သည်။

context window နှင့် output အရှည်ဆုံး မည်မျှလဲ။

context token 262,144 နှင့် request တစ်ခုလျှင် output token 16,384 ရှိသည်။ context window တစ်ခုလုံးကို တစ်ကြိမ် ဖြည့်လိုက်ခြင်းသည် 1M input token လျှင် $0.73 နှုန်းဖြင့် cent 19 ခန့် ကုန်ကျပြီး output အရှည်ဆုံး completion တစ်ခုသည် cent 4 အောက်သာ ကုန်ကျသည်။

ရှည်လျားသော tool-calling loop များအတွက် ဤအရာသည် ကောင်းမွန်သော ဆင်ဆာမဲ့ agentic မော်ဒယ်လား။

ကျွန်ုပ်တို့ ဦးစွာ ရွေးချယ်သည့်တစ်ခု ဖြစ်သည်။ GLM မျိုးရိုးကို GLM-4.5 မှစ၍ agentic အလုပ်အတွက် တိတိကျကျ လေ့ကျင့်ထားပြီး tool calling နှင့် reasoning_effort နှစ်ခုစလုံးကို ထောက်ပံ့ကာ ဈေးနှုန်းက token ရှစ်သောင်း ပါသော agent turn တစ်ရာသည် $11 အစား $2 ခန့်သာ ကုန်ကျစေသည်။ ငြင်းပယ်မှုများသည် agent loop များတွင် တကယ့် failure mode တစ်ခု ဖြစ်ပြီး ဤနေရာတွင် ၎င်းကို trigger လုပ်နိုင်သော ငြင်းပယ်မှု အလွှာ မရှိပါ။

ဆင်ဆာမဲ့ GLM API ကို စမ်းသုံးကြည့်ပါ

$0.73 in · $2.34 out · 262K context · ငြင်းပယ်မှု အလွှာ မရှိ။

API စာရွက်စာတမ်းများ ဖတ်ရှုရန် မော်ဒယ်အားလုံးကို ကြည့်ရှုရန်

Shannon Lab LLC, New Mexico, USA · Responsible Use Policy အောက်တွင် အသုံးပြုရမည်

Sources: Z.ai GLM-5 repository · Du et al., GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 · Zeng et al., GLM-130B: An Open Bilingual Pre-trained Model · Lasby et al., REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression, ICLR 2026 · NIST CAISI Assessment of Z.ai's GLM-5.2, July 2026။ Foundation benchmark အမှတ်များသည် lab ဖော်ပြချက်ဖြစ်ပြီး provisional ဖြစ်သည်; ၎င်းတို့သည် compress မလုပ်ရသေးသော GLM-5.2 ကို ဖော်ပြထားခြင်းဖြစ်ပြီး ဤ compress လုပ်ထားသော build အတွက် မဟုတ်ပါ။ ဈေးနှုန်း, context နှင့် capability ကိန်းများသည် 2026 စက်တင်ဘာ 5 ရက်နေ့အထိ Shannon AI catalog value များ ဖြစ်သည်။

All research links